●第一章 目標檢測和識別方法概論
1.1 目標檢測方法國內外研究現狀
1.1.1 傳統的目標檢測方法研究現狀
1.1.2 基於卷積神經網絡的目標檢測方法研究現狀
1.2 目標識別方法國內外研究現狀
1.2.1 傳統的目標識別方法研究現狀
1.2.2 基於卷積神經網絡的目標識別方法研究現狀
1.3 目標檢測和識別應用前景
第二章 基於統計特征的人體目標檢測方法
2.1 基於膚色的尺度自適應人臉檢測
2.1.1 視頻圖像預處理
2.1.2 人臉檢測算法
2.1.3 基於人臉膚色統計的坐姿監測
2.2 人體疲勞狀態監測方法
2.2.1 基於融合邊緣的打哈欠判別
2.2.2 人眼與瞳孔檢測及閉眼判別
2.2.3 輔助駕駛繫統中頭部狀態與疲勞監測
2.2.4 實驗結果與分析
2.3 基於稀疏表示的兩級級聯快速行人檢測
2.3.1 HOG特征和V_edge_sym特征
2.3.2 第一級分類算法
2.3.3 第二級分類算法
2.3.4 實驗結果與分析
第三章 基於統計特征的人體目標識別方法
3.1 基於稀疏表示的靜態人臉識別
3.1.1 基於稀疏表示的人臉識別方法的基本原理
3.1.2 基於GLC-KSVD的稀疏表示人臉識別算法
3.1.3 融合特征結合子模字典學習的稀疏表示人臉識別算法
3.2 基於主動紅外視頻的活體人臉識別
3.2.1 繫統概述
3.2.2 迭代二次幀差模型
3.2.3 PCA預訓練特征模型
3.2.4 最近鄰餘弦相似度分類器
3.2.5 實驗結果及分析
第四章 基於深度學習的人體目標檢測方法
4.1 研究背景與意義
4.2 基於深度學習的人體目標檢測研究歷史
4.3 常用公開目標檢測數據庫
4.4 基於深度學習的目標檢測模型簡介
4.4.1 人工神經網絡算法原理
4.4.2 卷積神經網絡基礎
4.4.3 基於回歸的目標檢測
4.4.4 基於候選區域的目標檢測
4.5 基於MS+KCF的快速人臉檢測
4.5.1 繫統總體流程
4.5.2 MobileNet-SSD網絡相關原理
4.5.3 KCF算法原理
4.5.4 實驗結果及分析
第五章 基於深度學習的人體目標識別方法
5.1 基於深度學習的人臉表情識別
5.1.1 一種基於深度學習的人臉表情識別算法
5.1.2 人臉身份保持表情不變性特征研究
5.2 基於多尺度核特征卷積神經網絡的實時人臉表情識別
5.2.1 實時人臉表情識別繫統概述
5.2.2 快速穩定的人臉檢測
5.2.3 多尺度核特征人臉表情識別網絡
5.2.4 實驗結果及分析
5.3 基於深度學習的行人重識別
5.3.1 行人重識別概述
5.3.2 結合全局與局部特征的行人重識別方法
第六章 深度學習平臺
6.1 深度學習框架
6.1.1 Caffe框架
6.1.2 TensorFlow框架
6.1.3 MXNet框架
6.1.4 Keras框架
6.2 深度學習平臺搭建
6.2.1 Ubuntu 16.04（U盤引導安裝）
6.2.2 安裝搜狗拼音
6.2.3 安裝NVIDIA驅動
6.2.4 安裝CUDA9.0+cuDNN7.1.4+Tensorflow1.8.0+Python3.5
6.2.5 安裝PyCharm+配置Python3.5+安裝OpenCV3.2
第七章 綜合應用與分析
7.1 近紅外活體人臉檢測繫統
7.1.1 繫統平臺搭建
7.1.2 繫統運行過程
7.1.3 繫統測試結果
7.2 人體疲勞狀態監測繫統
7.2.1 繫統平臺搭建
7.2.2 繫統運行過程
7.2.3 繫統測試結果
7.3 智能情緒監控輔助駕駛繫統
7.3.1 繫統平臺搭建
7.3.2 繫統運行過程
7.3.3 繫統測試結果
參考文獻
